1

Agentes Inteligentes, PEAS, Ambientes e Tarefas

Prof. Alexandre Monteiro

Recife

Contatos

Prof. Guilherme Alexandre Monteiro Reinaldo

Apelido: Alexandre Cordel

E-mail/gtalk: alexandrecordel@gmail.com

greinaldo@fbv.edu.br

Site: http://www.alexandrecordel.com.br/fbv

Celular: (81) 9801-1878

Roteiro

O que é um Agente Racional (Inteligente)?

Qual sua utilidade em IA?

Ambientes e arquiteturas

Aplicações

Estado atual do conceito de agente

4

Agente Racional

Um programa de IA pode ser visto como um Agente Racional.

Agente Racional é aquele que faz tudo certo, ou seja, tudo

certo visando o objetivo.

sensoresAgente

atuadoresa m

b i e

n t

e

Raciocinadormodelo do ambiente

O que é um agente Agente é qualquer entidade que:?

• percebe seu ambiente através de sensores (ex. câmeras, microfone, teclado, finger...)

• age sobre ele através de atuadores (ex. vídeo, auto-falante, impressora, braços, ftp, ...)

Mapeamento: seqüência de percepções => ação

?

6

Medida de Desempenho (MD) Critério que define o grau de SUCESSO de um agente

na realização de uma dada tarefa

• Esta medida deve ser imposta do exterior • Má escolha da MD pode acarretar

comportamento indesejado• Compromissos entre objetivos múltiplos

conflitantes• Resta o problema de saber quando avaliar o

desempenho• Ex. aspirador de pó, provador de teoremas,

filtragem de e-mails, policial de trânsito, avaliador de clima...

7

Agente Racional (McCarthy & Hayes 69, Newell 81) Agente Racional: fazer a melhor coisa possível

• segue o princípio da racionalidade: dada uma seqüência de percepções, o agente escolhe, segundo seus conhecimentos, as ações que satisfazem melhor seu objetivo.

Problema• estado inicial + ações => estado final (objetivo)

Racionalidade ¹ Onisciência, limitações de:• sensores• atuadores• raciocinador (conhecimento, tempo, etc.)• Agir para obter mais dados perceptivos é racional

Racionalidade vs. Onisciência

Racionalidade: maximiza o desempenho esperado.• Medida do desempenho que define o critério de

sucesso• Conhecimento anterior que o agente tem do ambiente.• As ações que o agente pode executar• A sequência de percepções do agente até o momento

Onisciência: maximiza o desempenho real.• O agente sabe o resultado real de suas ações e pode

agir de acordo com ele.

Ex: Avião de Eduardo Campos, improvável noticiar que ele foi idiota por pegar aquele avião.

9

Exploração e Aprendizagem

Exploração

• Tem a finalidade de modificar percepções futuras, chamada de coleta de informações

•Conhecer mais sobre o ambiente Apredizagem

•A partir da coleta de informações se pode aprender

•Conhecimento a priori, não exige percepção nem aprendizagem

10

Autonomia e Utilidade

Autonomia

• Capacidade de adaptação a situações novas, para as quais não foi fornecido todo o conhecimento necessário com antecedência

• Duas implementações: aprendizagem e/ou programação declarativa

• Independência de conhecimento anterior Para construir um sistema inteligente, utilizamos

• linguagem• inferência• conhecimento

11

A metáfora de agente decompõe1) Problema em: • percepções, ações, objetivos e ambiente (e outros agentes)

2) Tipo de conhecimento em:• Quais são as propriedades relevantes do mundo• Como o mundo evolui• Como identificar os estados desejáveis do mundo• Como interpretar suas percepções• Quais as conseqüências de suas ações no mundo• Como medir o sucesso de suas ações • Como avaliar seus próprios conhecimentos

3) Arquitetura e método de resolução de problema

Agente de Policia

Ambiente

Agenteraciocínio

Conhecimento:- leis- comportamento dos indivíduos,...

Objetivo:- fazer com que as leis sejam respeitadas

Ações:- multar- apitar- parar, ...

execuçãopercepção

Exemplos de AgentesAgente Dados

perceptivos Ações MD - Objetivos Ambiente

Diagnóstico médico

Sintomas, paciente, exames

respostas, ...

Perguntar, prescrever exames,

testar

Saúde do paciente, minimizar custos

Paciente, gabinete, ...

Análise de imagens de

satélite

Pixels imprimir uma categorização

categorizar corretamente

Imagens de satélite

Tutorial de português

Palavras digitadas

Imprimir exercícios, sugestões,

correções, ...

Melhorar o desempenho do

estudante

Conjunto de estudantes

Filtrador de mails

mensagens Aceitar ou rejeitar mensagens

Aliviar a carga de leitura do usuário

Mensagens, usuários

Motorista de taxi

Imagens, velocímetro,

sons

brecar, acelerar, dobrar, falar com

passageiro, ...

Segurança, rapidez, economia,

conforto,...

Ruas, pedestres, carros, ...

Músico de jazz Sons seus e de outros músicos,

grades de acordes

Escolher e tocar notas no andamento

Tocar bem, se divertir, agradar

Musicos, publico, grades

de acordes

Ambiente de Tarefa

PEAS (Performance, Environment, Actuators, Sensors) – desempenho, ambiente, atuadores e sensores.

Ex: Táxi automatizado

Tipo de Agente

Medida Desempenho

Ambiente Atuadores Sensores

Motorista de Táxi

Viagem Segura, rápida, dentro da lei, confortável, maximizar lucros

Estradas, outros tipos de tráfego, pedestres, clientes

Direção, acelerador, freio, sinal, buzina, visor

Câmeras, sonar, velocímetro, GPS, hodômetro, sensores do motor, teclado

15

Propriedades de Ambientes de Tarefas

Classes de ambientes• Físico: robôs• Software: softbots• Realidade virtual (simulação do ambiente físico): softbots e avatares

Propriedades de um ambiente• Acessível (completamente observável) x inacessível (parcialmente

observável) • Estático (não muda) x dinâmico (muda) – semidinâmico (ações)• Determinista (conhece próximo estado) x estocástico (ñ-determinista)• Discreto x contínuo• Episódico (só depende das ações anteriores) x não-episódico

(seqüêncial)• tamanho: número de percepções, ações, objetivos,...• Discreto (xadrez) x contínuo (dirigir táxi)• Agente único x multiagente

16

Ambientes: propriedades (1/2) Acessível: quando os sensores do agente

conseguem perceber o estado completo do ambiente.

Determinístico: o próximo estado do ambiente pode ser completamente determinado pelo estado atual e as ações selecionadas pelo agente.

Episódico: a experiência do agente é dividida em episódios. Cada episódio consiste em o agente perceber e então agir. Cada episódio não depende das ações que ocorreram em episódios prévios.

17

Ambientes: propriedades (2/2) Estático: o ambiente não muda enquanto o agente

está escolhendo a ação a realizar. • Semi-dinâmico: o ambiente não muda

enquanto o agente delibera, mas o "score" do agente muda.

Discreto: quando existe um número distinto e claramente definido de percepções e ações em cada turno.

Contínuo: percepções e ações mudam em um espectro contínuo de valores.

Exemplos de AmbientesAgente acessível determinista episódico estático discreto

xadrez sem relógio Sim Sim Não Sim Sim

xadrez com relógio Sim Sim Não Semi sim

gamão sim não não sim sim

motorista de taxi Não Não Não Não Não

médico Não Não Não Não Não

tutor Não Não Não Não Sim

Analisador de imagem Sim Sim Sim Semi Não

Busca na web Não Não Sim Não Sim

Filtrador de mail Sim Não Sim Não Sim

Músico Sim Não Não Não Não

+ O Tamanho do ambiente é dado por:número de percepções, ações e objetivos possíveis

19

Algoritmo Básico

Função agenteSimples (percept) retorna açãomemória := atualizaMemória (memória, percept)

ação := escolheMelhorAção(memória)

memória := atualizaMemória (memória, ação)

retorna ação

Arquiteturas• Agente tabela• Agente reativo simples• Agente reativo baseado em modelos • Agente baseado em objetivos • Agente baseado em utilidade • Agente com aprendizagem autonomia

complexidade

ambiente

sensores

atuadores

Tabelapercepções ações

. .

. .

Agente

Agente Tabela (chave-valor)

Limitações• Mesmo Problemas simples -> tabelas muito grandes

- ex. xadrez 30^100

• Nem sempre é possível, por ignorância ou questão de tempo, construir a tabela

• Não há autonomia nem flexibilidade• Este agente só tem fins didáticos!!! Não vale nem a pena pensar nele

Ambientes• acessível, determinístico, episódico, estático, discreto e minúsculo!

Agente sensores

atuadores

Qual a aparência atual do mundo?

Que ação devo executar agora? Regras “condição-ação”

a m

b i e

n t

e

Agente Reativo Simples (percepção atual)

Vantagens e desvantagens• Regras condição-ação: representação inteligível, modular e eficiente

- ex. Se velocidade > 60 então multar• Não pode armazenar uma seqüência de percepções, pouca

autonomia

Ambientes:• Reflexo imprescindível em ambientes dinâmicos • Acessível, episódico, pequeno

Agente Reativo Baseado em Modelos

sensoresAgente

Qual é a aparência atual mundo?

Regras “condição-ação”

estado: como o mundo era antes

como o mundo evolui

atuadores

Que ação devo executaragora?a

m b

i e

n t

e

impacto de minhas ações

Desvantagem: pouca autonomia• não tem objetivo, não encadeia regras

Ambientes: determinístico e pequeno• Ex. Tamagotchi

Controla o estado atual e depois Agente Reativo Simples

sensoresAgente

Qual a aparência atual domundo?

Objetivos

como o mundo evolui

atuadores

Que ação devo executaragora?

a m

b i e

n t

e

impacto de minhas açõesQual será a aparência se forexecutada a ação A?

estado: como o mundo era antes

Agente Baseado em Objetivo

Vantagens e desvantagens:• Mais complicado e ineficiente, porém mais flexível, autônomo• Não trata objetivos conflitantes

Ambientes: determinístico • ex.: xeque-mate no xadrez

Agente Baseado em Utilidade

Ambiente: sem restrição Desvantagem: não tem adaptabilidade Ex. motorista recifence

ambiente

sensores

atuadores

Agente

Qual a aparência atual domundo?

Que ação devo executar agora?

Função de Utilidade

qual é o impacto de minhas ações

como o mundo evolui

Este novo mundo é melhor?

Qual será a aparência se forexecutada a ação A?

estado: como o mundo era antes

Agente com Aprendizado

sensores

atuadores

Agente

Gerador de problemas

crítico

elemento de aprendizagem

avaliação

objetivos de aprendizagem

elemento de desempenho (agente)

trocas

conhecimento

a m

b i e

n t

e

Ambiente: sem restrição Vantagem: tem adaptabilidade (aprende) Ex. motorista sem o mapa da cidade

t

t+1

t

26

Simulação do Ambiente Às vezes é mais conveniente simular o ambiente

• mais simples• permite testes prévios• evita riscos, etc...

O ambiente (programa)• recebe os agentes como entrada• fornece repetidamente a cada um deles as percepções

corretas e recebe as ações• atualiza os dados do ambiente em função dessas ações

e de outros processos (ex. dia-noite)• é definido por um estado inicial e uma função de

atualização• deve refletir a realidade

27

Simulação de ambiente função simulaAmbiente (estado,

funçãoAtualização,agentes,final)repita

para cada agente em agentes faça

Percept[agente] := pegaPercepção(agente,estado)

para cada agente em agentes faça

Action[agente] := Programa[agente] (Percept[agente])

estado := funçãoAtualização(ações, agentes, estado)

scores := avaliaDesempenho(scores,agente,estado) //opcional

até final

Observação:

• não cair em tentação “roubando” do ambiente a descrição do que aconteceu. Usar a memória do agente!

28

Inteligência Coletiva Porque pensar a inteligência/racionalidade como

propriedade de um único indivíduo?

Não existe inteligência ...• Em um time de futebol? • Em um formigueiro?• Em uma empresa (ex. correios)?• Na sociedade?

Solução: IA Distribuída• Agentes simples que juntos resolvem problemas

complexos tendo ou não consciência do objetivo global• Proposta por Marvin Minsky e em franca expansão...• o próprio ambiente pode ser modelado como um agente

29

1

53

4

8

6

7

2

1

5

3

4

8

6

7

2F 1

53

4

8

6

7

2

IA Distribuída: dois tipos de sistemas Resolução distribuída de problemas

• consciência do objetivo global e divisão clara de tarefas• Exemplos: Robótica clássica, Busca na Web, Gerência de

sistemas distribuídos, ...

Sistemas Multi-agentes• não consciência do objetivo global e nem divisão clara de

tarefas• Exemplos: n-puzzle, futebol de robôs, balanceamento de

carga, robótica, ...

30

Questões

Questões centrais• comunicação• negociação (ex. compra-venda na Web)• estados mentais• crença, ...

Tensão (trade-off)• Quanto mais agentes, mais simples (sub-

dividido) fica o problema • No entanto, mais complexa fica a

comunicação e coordenação entre os agentes

Mundo WUMPUS

Mundo WUMPUS

O mundo de Wumpus é um problema didático onde o objetivo é encontrar um monte de ouro em uma de 16 salas possíveis.

Para isso o agente deve evitar as salas que contém poços sem  fundo e a sala onde está o Wumpus. O ambiente do mundo de Wumpus contém:• Wumpus, que é monstro que devora qualquer guerreiro que entrar em sua

sala.• Malha 4×4 de salas conectadas por passagens.• Ouro em alguma sala.• Poços sem fundo nos quais cairá qualquer um que vagar por esta sala,

exceto o Wumpus. • O agente pode matar o Wumpus, porém possui apenas uma flecha para

fazer isso.• O agente sempre começa no quadrado identificado como [1,1] voltado

para a direita. • As posições do Wumpus, ouro e poços são escolhidas ao acaso

Mundo WUMPUS

O agente que vasculhará o mundo de Wumpus em busca do ouros possui as seguintes características:• Medida de desempenho: +1.000 por pegar ouro, -1.000 se

cair em um poço ou for devorado pelo Wumpus, -1 para cada ação executada, -10 pelo uso da flecha

• Atuadores: O agente pode mover-se para frente, virar à esquerda, virar à direita, agarrar um objeto e atirar a flecha

• Sensores: fedor (quadrados adjacentes ao Wumpus, exceto diagonal), brisa (quadrados adjacentes a um poço, exceto diagonal), resplendor (quadrados onde existe ouro), impacto (ao caminhar para uma parede) e audição (percebe o grito do  Wumpus ao morrer).

• Agente não conhece a configuração do ambiente.

Mundo WUMPUS

Desenvolva um sistema que implemente um agente que explore autonomamente o Mundo de Wumpus instanciado de acordo com a figura vista no início desta especificação de trabalho. O sistema deverá ter as seguintes características:• Interface gráfica que permita visualizar o mundo de Wumpus e

a movimentação do agente pelo conjunto de 16 salas;• Quando for encontrado o ouro, o agente deverá ir para a sala

que contém o ouro e assim finalizar a execução do programa;• Deverá se levar em consideração as medidas de desempenho

apresentadas nesta descrição de trabalho, de modo que o agente deverá encontrar o ouro escolhendo o caminho com o menor custo possível;

• Deverá ser apresentado ao usuário do sistema as atualizações que serão feitas nos sensores do agente de acordo com as respostas fornecidas a partir de inferências.

35

Evolução da noção de Agente além das fronteiras da IA....

36

Agente: ainda não há uma definição única IBM: Intelligent agents are software entities that carry

out some set of operations on behalf of an user, and in doing so employ some knowledge representation of the user’s goals or desires

KidSim: Agent is a persistent software entity (agents have their own ideas about how to accomplish tasks) dedicated to a specific purpose (smaller than multifunctions applications)

SodaBot: Software agents are programs that engage in dialogs to negotiate and coordinate transfer of information

37

Técnicas & ProblemasAntes....

programas

IA

programas

Agora

agentes móveis,agentes de software,robôs, ...

agentes inteligentes

38

Propriedades Autonomia (IA)• raciocínio, comportamento guiado por

objetivos • reatividade

Adaptabilidade & aprendizagem (IA)

Comunicação & Cooperação (IA)

Personalidade (IA)

Continuidade temporal

Mobilidade

39

Agentes na Internet

Categorias por Tipos de Serviços:• Agentes de Busca e Recuperação (ex.

Altavista) • Agentes que Filtram Informações (ex. KOM)• Agentes de Entrega Off-line (ex. PointCast)• Agentes Notificadores (ex. URL-Minder)• Agentes de Suporte ao Comércio (ex.

BargainBot)• Agente corretor (interoperabilidade - ACL)• Outros...

40

Conclusões Agentes em IA

• Metodologia (metáfora) para projeto de sistemas• Sistemas multi-agentes e robótica

Agentes em computação

• Adoção de uma nova metáfora (antropomórfica e sociológica). Extrapolação de OOP- IA: autômato -> mente- Agentes: objetos -> pessoas

• Integração de técnicas de IA

• Novas tecnologias próprias à Web (ex. mobilidade)

• Marketing (moda)

Agentes: técnica ou metodologia ?

41

Desenvolvimento de software inteligente Projeto:

• Modelar tarefa em termos de ambiente, percepções, ações, objetivos e utilidade

• Identificar o tipo de ambiente• Identificar a arquitetura de agente adequada

ao ambiente e tarefa

Implementação• o gerador e o simulador de ambientes• componentes do agente (vários tipos de

conhecimento)• Testar o desempenho com diferentes

instâncias do ambiente

42

Referências T. Mitchell. Machine Learning. McGraw Hill, New

York, 1997.

Stuart Russell and Peter Norvig, Artificial Intelligence - A Modern Approach. Prentice Hall, 1995.